Исследование рынка заведений общественного питания в Москве

Цель исследования - описать общую картину рынка общественного питания Москвы для инвесторов фонда «Shut Up and Take My Money».

Задачи исследования:

• проанализировать категории и характеристики всех типов заведений общественного питание
• провести детализированный анализ для открытия кофейни
• подготовить презентацию исследования для инвесторов.

Описание данных:

Для работы над исследованием был предоставлен датасет с заведениями общественного питания Москвы, составленный на основе данных сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года.

Файл moscow_places.csv:

• name — название заведения;
• address — адрес заведения;
• category — категория заведения, например «кафе», «пиццерия» или «кофейня»;
• hours — информация о днях и часах работы;
• lat — широта географической точки, в которой находится заведение;
• lng — долгота географической точки, в которой находится заведение;
• rating — рейтинг заведения по оценкам пользователей в Яндекс Картах (высшая оценка — 5.0);
• price — категория цен в заведении, например «средние», «ниже среднего», «выше среднего» и так далее;
• avg_bill — строка, которая хранит среднюю стоимость заказа
• middle_avg_bill — число с оценкой среднего чека
• middle_coffee_cup — число с оценкой одной чашки капучино
• chain — число, выраженное 0 или 1, которое показывает, является ли заведение сетевым (для маленьких сетей могут встречаться ошибки)
• district — административный район, в котором находится заведение, например Центральный административный округ;
• seats — количество посадочных мест.

Ход исследования:

1. загрузить данные и изучить общую информацию
2. выполнить предобработку данных

• проверить наличие дубликатов и обработать имеющиеся
• проверить наличие пропусков и обработать имеющиеся
• создать столбец street с названиями улиц из столбца с адресом
• создать столбец is_24_7 с обозначением, что заведение работает ежедневно и круглосуточно (24/7): True — если заведение работает ежедневно и круглосуточно, False — в противоположном случае.

1. провести анализ данных:

• определить, какие категории заведений представлены в данных, определить количество объектов общественного питания по категориям: рестораны, кофейни, пиццерии, бары и так далее, построить визуализацию
• проанализировать количество посадочных мест по категориям и построить визуализацию
• рассмотреть и изобразить соотношение сетевых и несетевых заведений в датасете, ответить на вопрос, каких заведений больше
• определить какие категории заведений чаще являются сетевыми, построить график
• сгруппировать данные по названиям заведений и найти топ-15 популярных сетей в Москве, построить визуализацию и ответить на вопросы: Знакомы ли вам эти сети? Есть ли какой-то признак, который их объединяет? К какой категории заведений они относятся?
• определить, какие администротивныне районы Москвы присутствуют в датасете, отобразить общее кодичество заведений и количество заведений каждой категории
• визуализировать распределение средних рейтингов по категориям заведений, определить, как отличаются усредненные рейтинги в разных типах общепита
• построить фоновую картограмму со средним рейтингом заведений каждого района
• отобразить все заведения датасета на карте с помощью кластеров средствами библиотеки folium.
• найти топ-15 улиц по количеству заведений, построить график распределения количества заведений и их категорий по этим улицам.
• найти улицы, на которых находится только один объект общепита
• посчитать медиану столбца middle_avg_bill для каждого района, построить фоновую картограмму (хороплет) с полученными значениями для каждого района, проанализировать цены в центральном административном округе и других, определить, как удалённость от центра влияет на цены в заведениях?
• проанализировать взаимосвязь среднего чека и рейтинга заведений по категориям
• сделать вывод

1. провести детализированное исследование кофеен

• определить количество кофеен в датасете, и в каких районах их больше всего
• определить, есть ли круглосуточне кофейни
• определить рейтинги кофеен, и как они распределяются по районам
• построить визуализации

1. дать рекомендации для открытия нового заведения
2. составить общий вывод
3. подготовить презентацию с финальными выводами

Загрузка данных

Импорт необходимых библиотек

import pandas as pd
import re
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as plotly
from plotly import graph_objects as go
import seaborn as sns
import json
from folium import Map, Choropleth, Marker
from folium.plugins import MarkerCluster
from folium.features import CustomIcon

Загрузка и чтение данных

moscow_places = pd.read_csv('/datasets/moscow_places.csv')

#создание функции для чтение первичной информации для датасетов
def data_full_info(dataset):
    print (dataset.info())
    print('\033[1m' + 'Количество дубликатов в таблице:' + '\033[0m', dataset.duplicated().sum())
    return (dataset.head(10))

data_full_info(moscow_places)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB
None
Количество дубликатов в таблице: 0

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	0	NaN
6	Огни города	бар,паб	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн 15:00–04:00; вт-вс 15:00–05:00	55.890752	37.524653	4.4	средние	Средний счёт:199 ₽	199.0	NaN	0	45.0
7	Mr. Уголёк	быстрое питание	Москва, Клязьминская улица, 9, стр. 3	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00...	55.890636	37.524303	4.7	средние	Средний счёт:200–300 ₽	250.0	NaN	0	45.0
8	Donna Maria	ресторан	Москва, Дмитровское шоссе, 107, корп. 4	Северный административный округ	ежедневно, 10:00–22:00	55.880045	37.539006	4.8	средние	Средний счёт:от 500 ₽	500.0	NaN	0	79.0
9	Готика	кафе	Москва, Ангарская улица, 39	Северный административный округ	ежедневно, 12:00–00:00	55.879038	37.524487	4.3	средние	Средний счёт:1000–1200 ₽	1100.0	NaN	0	65.0

moscow_places['category'].unique()

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)

moscow_places['district'].unique()

array(['Северный административный округ',
       'Северо-Восточный административный округ',
       'Северо-Западный административный округ',
       'Западный административный округ',
       'Центральный административный округ',
       'Восточный административный округ',
       'Юго-Восточный административный округ',
       'Южный административный округ',
       'Юго-Западный административный округ'], dtype=object)

Датасет содержит в себе ифнормацию о заведениях общественного питания в Москве, а именно: наименование заведения, адрес, район, часы работы, координаты, рейтинг, средний чек, среднюю стоимость чашки кофе, принадлежность к сети и количество посадочных мест. В датасете 8406 записей. После изучения общей информации о датасете видно, что в записях присутствуют пропуски, которые в дальнейшем по возможности необходимо обработать. Явные дубликаты отсутствуют, но необходимо проверить наличие неявных дубликатов. Кроме того, нужно будет отформатировать значения столбцов и типы данных для комфортного дальнейшего анализа.

Предобработка данных

Обработка дубликатов

Проверка явных дубликатов

print('Количество явных дубликатов в датасете:', moscow_places.duplicated().sum())

Количество явных дубликатов в датасете: 0

Изменение значений в столбцах для нахождения неявных дубликатов

moscow_places['name'] = moscow_places['name'].str.lower()
moscow_places['address'] = moscow_places['address'].str.lower()
moscow_places['name'] = moscow_places['name'].str.replace('ё', 'е', regex=True)

Записи в столбцах с названием и адресов заведения приведены к нижнему регистру и заменена буква ё на е.

Проверка дубликатов по названию заведения

print ('Полных дубликатов по названию заведения:',moscow_places.name.duplicated().sum())

Полных дубликатов по названию заведения: 2900

Данные о таких заведения не являются ошибочными. Скорее всего они состоят в сети заведений, следственно имеют одинаковое название.

Проверка неявных дубликатов, где совпадает название и адрес заведения.

print ('Дубликатов по названию и адресу:',moscow_places.duplicated(subset=['name', 'address']).sum())
moscow_places[moscow_places[['name', 'address']].duplicated()]

Дубликатов по названию и адресу: 4

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
215	кафе	кафе	москва, парк ангарские пруды	Северный административный округ	ежедневно, 10:00–22:00	55.881438	37.531848	3.2	NaN	NaN	NaN	NaN	0	NaN
1511	more poke	ресторан	москва, волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0
2420	раковарня клешни и хвосты	бар,паб	москва, проспект мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	1	150.0
3109	хлеб да выпечка	кафе	москва, ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	0	276.0

Количество таких данных незначительно, их удаление не повлияет на результаты дальнейшего исследование.

Удаление дубликатов

moscow_places = moscow_places.drop_duplicates(subset = ['name', 'address']).reset_index(drop=True)

Заведения с одинаковыми координатами

moscow_places.loc[moscow_places.duplicated(subset=['lat', 'lng'], keep = False)]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
121	встреча	кафе	москва, карельский бульвар, 4а	Северный административный округ	ежедневно, круглосуточно	55.891936	37.536068	4.1	NaN	NaN	NaN	NaN	1	NaN
182	карелия	кафе	москва, карельский бульвар, 4а	Северный административный округ	ежедневно, 09:00–00:00	55.891936	37.536068	3.7	NaN	NaN	NaN	NaN	0	NaN
270	алали	быстрое питание	москва, староватутинский проезд, 14	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.875804	37.665551	4.2	NaN	NaN	NaN	NaN	0	100.0
272	pho oanh	кафе	москва, староватутинский проезд, 14	Северо-Восточный административный округ	ежедневно, 11:00–21:30	55.875804	37.665551	4.0	NaN	NaN	NaN	NaN	1	100.0
347	meat лав	ресторан	москва, головинское шоссе, 10б	Северный административный округ	ежедневно, 11:00–23:00	55.837181	37.497324	5.0	средние	Средний счёт:300–600 ₽	450.0	NaN	0	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7783	тануки	ресторан	москва, липецкая улица, 2, корп. 8	Южный административный округ	ежедневно, 10:00–05:00	55.608307	37.664941	4.3	выше среднего	Средний счёт:1000–1500 ₽	1250.0	NaN	1	120.0
8015	пицца кофе	пиццерия	москва, улица вавилова, 66	Юго-Западный административный округ	ежедневно, 10:00–21:00	55.683046	37.549310	4.2	NaN	NaN	NaN	NaN	0	80.0
8082	кулинарная школа ginza project	кафе	москва, мытная улица, 74	Южный административный округ	ежедневно, 09:00–21:00	55.712117	37.620555	4.5	средние	Средний счёт:500–1000 ₽	750.0	NaN	0	92.0
8091	белочка	ресторан	москва, улица ленинская слобода, 19	Южный административный округ	пн-пт 12:00–17:00	55.708354	37.652705	3.4	NaN	NaN	NaN	NaN	0	450.0
8397	суши мания	кафе	москва, профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0

64 rows × 14 columns

Заведений с одинаковыми координатами составляет 64. Скорее всего такие заведения находится в одном здании или торговом центре. Они не являются ошибочными.

Обработка пропусков

Количество пропусков по столбцам заведения

moscow_places.isna().sum()

name                    0
category                0
address                 0
district                0
hours                 535
lat                     0
lng                     0
rating                  0
price                5087
avg_bill             4586
middle_avg_bill      5253
middle_coffee_cup    7867
chain                   0
seats                3610
dtype: int64

Пропуски имеются в столбцах: часы работы, средний чек, медиана среднего чека, средняя стоимость чашки кофе и количество посадочных мест.

Пропуски следует заменить только в столбце с часами работы для оптимального дальнейшего исследования.

Остальные пропуски следует оставить, так как предположительно выбранное значение или медианное/среднее значение могут сильно исказить данные и привести к неправильной трактовке.

Обработка пропусков в столце "часы работы"

moscow_places['hours'] = moscow_places['hours'].fillna('неизвестно')

Столбец с улицей заведения

def get_street(address):
    return address.split(',')[1] 

moscow_places['street'] = moscow_places['address'].apply(get_street)

Стобец с круглосуточными заведениями

mp24 = moscow_places[moscow_places['hours'].str.contains('круглосуточно')] 
display(mp24)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street
10	great room bar	бар,паб	москва, левобережная улица, 12	Северный административный округ	ежедневно, круглосуточно	55.877832	37.469171	4.5	средние	Цена бокала пива:250–350 ₽	NaN	NaN	0	102.0	левобережная улица
17	чайхана беш-бармак	ресторан	москва, ленинградское шоссе, 71б, стр. 2	Северный административный округ	ежедневно, круглосуточно	55.876908	37.449876	4.4	средние	Средний счёт:350–500 ₽	425.0	NaN	0	96.0	ленинградское шоссе
19	пекарня	булочная	москва, ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	1	NaN	ижорский проезд
24	drive café	кафе	москва, улица дыбенко, 9ас1	Северный административный округ	ежедневно, круглосуточно	55.879992	37.481571	4.0	NaN	NaN	NaN	NaN	1	NaN	улица дыбенко
49	2u-ту-ю	пиццерия	москва, ижорская улица, 8а	Северный административный округ	ежедневно, круглосуточно	55.886160	37.508784	2.7	NaN	Средний счёт:900 ₽	900.0	NaN	0	NaN	ижорская улица
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8390	намангале	кафе	москва, ферганская улица, вл17-21	Юго-Восточный административный округ	ежедневно, круглосуточно	55.705332	37.819244	4.3	NaN	NaN	NaN	NaN	0	NaN	ферганская улица
8395	пекарня, кафе-гриль	булочная	москва, болотниковская улица, 52, корп. 2	Юго-Западный административный округ	ежедневно, круглосуточно	55.662866	37.582572	4.2	NaN	Средний счёт:50–250 ₽	150.0	NaN	0	50.0	болотниковская улица
8399	самовар	кафе	москва, люблинская улица, 112а, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0	люблинская улица
8400	чайхана sabr	кафе	москва, люблинская улица, 112а, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0	люблинская улица
8401	kebab time	кафе	москва, россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0	россошанский проезд

772 rows × 15 columns

def places_247 (data):
    if 'ежедневно, круглосуточно'in data:
        return True
    else:
        return False
    
moscow_places['is_24_7'] = moscow_places['hours'].apply(places_247)

Проверка датасета на корректность изменений

moscow_places

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица дыбенко	False
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица дыбенко	False
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	клязьминская улица	False
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица маршала федоренко	False
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	правобережная улица	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8397	суши мания	кафе	москва, профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0	профсоюзная улица	False
8398	миславнес	кафе	москва, пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0	пролетарский проспект	False
8399	самовар	кафе	москва, люблинская улица, 112а, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0	люблинская улица	True
8400	чайхана sabr	кафе	москва, люблинская улица, 112а, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0	люблинская улица	True
8401	kebab time	кафе	москва, россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0	россошанский проезд	True

8402 rows × 16 columns

В ходе проведение преобработки были найдены и удалены неявные дубликаты, заполнены пропуски в столбце с часами работы заведения. Остальные пропуски было решено оставить незаполненными. Также к датасету добавлены столбцы с круглосуточными заведениями и улицей местонахождения заведения.

Анализ данных

Анализ категорий

mp_categories = pd.DataFrame(moscow_places['category'].value_counts()).reset_index()
mp_categories.columns = ['category', 'categories_count']


fig = px.bar(mp_categories,
             template='plotly_white',
             x='category', 
             y='categories_count', 
             text='categories_count',
             color='category',
             labels=dict(category="Категория")
                                
            )

fig.update_layout(title='Количество заведений по категорям',
                   xaxis_title='Категория',
                   yaxis_title='Количество заведений')
fig.update_layout(showlegend=False)

fig.show() 

В датасете представлены следующие категории заведений:

• кафе
• ресторан
• кофейня
• пиццерия
• бар,паб
• быстрое питание
• булочная
• столовая.

Самая многочисленная категория заведений - кафе, составляет 28.3% от общего количества заведений (2376 заведений).

На втором месте по количеству - ресторан 24.3% (2042 заведения).

На третьем месте - кофейня 16.8% (1413 заведений).

Далее идут бар/паб, пиццерия, быстрое питание, столовая. И на последнем месте по количеству заведений - булочная 256 заведений - 3.05%

Анализ посадочных мест

Проверка данных на выбросы

moscow_places['seats'].describe()

count    4792.000000
mean      108.361436
std       122.841130
min         0.000000
25%        40.000000
50%        75.000000
75%       140.000000
max      1288.000000
Name: seats, dtype: float64

fig = px.box(moscow_places,template='plotly_white', y="seats")
fig.show()

В данных о посадочных местах имеются аномально большие значения, которые не следуюет брать во внимание при дальнейшем рассмотрении. Максимальное количесво посадочных мест можно оставить - 400.

Медианное количество посадочных мест по категориям

mp_seats = (
    moscow_places.query('seats <= 400')
    .groupby('category', as_index=False)
    .agg({'seats': 'median'})
    .sort_values(by='seats', ascending=False)
)
mp_seats.columns = ['category', 'seats_median']

fig = px.bar(mp_seats,
             template='plotly_white',
             x='category', 
             y='seats_median', 
             text='seats_median',
             color='category',
             labels=dict(category="Категория")
            )

fig.update_layout(title='Медианное количество посадочных мест по категориям',
                   xaxis_title='Категория',
                   yaxis_title='Медианное количество посадочных мест')

fig.update_layout(showlegend=False)

fig.show() 

Медианное значение посадочных мест (ПМ) после удаления аномальных значений распределились следующим образом на топ 3:

1. ресторан (83 ПМ)
2. бар/паб (80 ПМ)
3. кофейня и столовая (75 ПМ)

Наименьшее количество - в булочной (около 49 ПМ).

Количество посадочных мест часто находится в прямой зависимости от категории заведения. Так, например, в ресторанах быстрого питания, пиццериях и булочных закономерно меньше посадочных мест, так как клиенты чаще берут еду на вынос или проводят не так много времени, как в ресторах или барах.

Распределение посадочных мест по категориям

fig = px.strip(moscow_places.query('seats <= 400'),
               x="category",
               y="seats",
               color="category",
               template='plotly_white',
               labels={"category": "Категории заведений"})

fig.update_layout(title='Распределение посадочных мест по категориям',
                   xaxis_title='Категория',
                   yaxis_title='Количество посадочных мест')
fig.show()

fig = px.violin(moscow_places.query('seats <= 400'),
                y="seats",
                x="category",
                color="category",
                box=True,
                template='plotly_white',
                labels={"category": "Категории заведений"})

fig.update_layout(title='Распределение посадочных мест по категориям',
                   xaxis_title='Категория',
                   yaxis_title='Количество посадочных мест')
fig.show()

По графикам распределения также видно, что в категориях ресторан, кафе, бар/паб и столовая в среднем большее количество посадочных мест.

Анализ распеделения сетевых и несетевых заведений

Изменение значений стобца "сhain"

moscow_places['chain'] = moscow_places['chain'].replace(0, 'несетевые')
moscow_places['chain'] = moscow_places['chain'].replace(1, 'сетевые')

Соотношение сетевых и несетевых заведений

mp_chains = (moscow_places.pivot_table(index='chain',
                                      values='name',
                                      aggfunc='count')
                         .sort_values(by = 'name', ascending = False)
                         .reset_index())
mp_chains.columns = ['chain', 'count']
fig = go.Figure(data=[go.Pie(labels=mp_chains['chain'], values=mp_chains['count'])])
fig.update_layout(title='Соотношение "сетевых" и "несетевых" заведений', 
                  width=700, 
                  height=500,
                  annotations=[dict(x=1.12, 
                                    y=1.05,
                                    text='Принадлежность к сети',
                                    showarrow=False)])
fig.show()

Несетевых заведений в датасете больше, чем сетевых.

Процентное соотношение несетевых заведений составляет 61.9% (5199 заведений) на 38.1% сетевых (3203 заведений).

Анализ сетевых категорий заведений

chains_true = moscow_places.query('chain == "сетевые"')
categories_chains = (chains_true.pivot_table(index='category',
                                            values='chain',
                                            aggfunc='count')
                               .sort_values(by = 'chain', ascending = False)
                               .reset_index())
categories_chains = mp_categories.merge(categories_chains, how='left', on='category').reset_index(drop=True)
categories_chains['ratio'] = round(categories_chains['chain']/categories_chains['categories_count']*100, 1)

fig = px.bar(categories_chains.sort_values(by='ratio', ascending=False),
             template='plotly_white',
             x='category', 
             y='ratio', 
             text='ratio',
             color = 'category'
                                
            )

fig.update_layout(title='Соотношение сетевых заведений по категорям',
                   xaxis_title='Категория',
                   yaxis_title='Процент сетевых заведений')

fig.update_layout(showlegend=False)

fig.show() 

Чаще всего к сетевых заведениям принадлежат булочные, из них только 38.7% являются несетвыми.

На одинаком процентном уровне находятся пиццерии и кофейни, чуть больше половины из которых являются сетевыми.

Наименьшее количество сетевых заведений относятся к категории бар/паб.

Данное распределение можно объяснить взаимосвязью с количеством посадочных мест.

Примечательно, что те заведения, в которых в среднем меньшее количество посадочных мест, чаще принадлежат к сети. Скорее всего такие заведения предпочитаю маленькие по площади филиалы, но распределенные по всему городу.

Топ-15 популярных сетей в Москве

name_chains_true = (chains_true.pivot_table(index='name', values='chain', aggfunc='count')
                    .sort_values(by='chain', ascending=False)
                    .reset_index())
name_chains_true.columns = ['name', 'count']
name_chains_true = name_chains_true.sort_values(by='count', ascending=False).head(15)

fig = px.bar(name_chains_true,
             template='plotly_white',
             x='name', 
             y='count', 
             text='count',
             color='name'
                                
            )

fig.update_layout(title='Топ-15 сетевых заведений в Москве',
                   xaxis_title='Наименование заведений',
                   yaxis_title='Количество')
fig.update_layout(showlegend=False)
fig.show() 

В топ-15 популярных сетевых заведений Москвы входят:

1. Шоколадница (120 заведений)
2. Домино'с пицца (76 заведений)
3. Додо пицца (74 заведения)
4. One price coffee (71 заведение)
5. Яндекс лавка (69 заведений)
6. Cofix (65 заведений)
7. Prime (50 заведений)
8. Хинкальная (44 заведения)
9. Кофепорт (42 заведения)
10. Кулинарная лавка братьев Караваевых (39 заведений)
11. Теремок (38 заведений)
12. Чайхана (37 заведений)
13. Cofefest (32 заведения)
14. Буханка (32 заведения)
15. Му-му (27 заведений)

Явным фаворитом является "Шоколадница".

В данном топе присутствуют довольно популярные сети заведений, котопые распространены по всей стране. Например: Домино'с пицца, Додо пицца, Яндекс лавка.

Судя по названиям, категориями самых популярных сетей являются: пиццерии, кафе, кофейни.

Стоит более подробно рассмотреть характеристики данных сетей по общей таблице

chains_15_name = name_chains_true['name']
chains_15 = chains_true.query('name in @chains_15_name')
chains_15

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
13	буханка	булочная	москва, базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	сетевые	180.0	базовская улица	False
23	буханка	булочная	москва, лобненская улица, 13к2	Северный административный округ	ежедневно, 08:00–22:00	55.888421	37.527106	4.7	NaN	NaN	NaN	NaN	сетевые	NaN	лобненская улица	False
32	додо пицца	пиццерия	москва, коровинское шоссе, 23, корп. 1	Северный административный округ	ежедневно, 09:00–23:00	55.877388	37.523334	4.3	NaN	Средний счёт:328 ₽	328.0	NaN	сетевые	46.0	коровинское шоссе	False
34	домино'с пицца	пиццерия	москва, клязьминская улица, 11, корп. 4	Северный административный округ	ежедневно, 10:00–23:00	55.886963	37.523518	4.2	NaN	Средний счёт:от 500 ₽	500.0	NaN	сетевые	247.0	клязьминская улица	False
46	cofefest	кофейня	москва, улица маршала федоренко, 6с1	Северный административный округ	пн-пт 09:00–19:00	55.879934	37.492522	3.6	NaN	NaN	NaN	NaN	сетевые	NaN	улица маршала федоренко	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
7969	теремок	ресторан	москва, ореховый бульвар, 15	Южный административный округ	ежедневно, 10:00–22:00	55.612758	37.720272	3.7	NaN	NaN	NaN	NaN	сетевые	0.0	ореховый бульвар	False
7970	хинкальная	ресторан	москва, улица генерала белова, 23а	Южный административный округ	ежедневно, 12:00–00:00	55.616224	37.719993	3.6	NaN	NaN	NaN	NaN	сетевые	60.0	улица генерала белова	False
7975	яндекс лавка	ресторан	москва, шипиловский проезд, 65, корп. 1	Южный административный округ	ежедневно, 07:00–00:00	55.599020	37.714239	3.5	NaN	NaN	NaN	NaN	сетевые	75.0	шипиловский проезд	False
7976	яндекс лавка	ресторан	москва, улица маршала захарова, 2	Южный административный округ	ежедневно, 07:00–00:00	55.624112	37.707183	4.0	NaN	NaN	NaN	NaN	сетевые	200.0	улица маршала захарова	False
7977	теремок	ресторан	москва, каширское шоссе, 61г	Южный административный округ	ежедневно, 10:00–22:00	55.621939	37.713243	3.9	NaN	NaN	NaN	NaN	сетевые	NaN	каширское шоссе	False

816 rows × 16 columns

chain_desc = chains_15.pivot_table(
    index=('category', 'name'),
    values=('chain', 'rating', 'seats'),
    aggfunc=({'chain':'count',
            'rating':'mean',
            'seats':'median'})
)

chain_desc.sort_values(by='category')

		chain	rating	seats
category	name
бар,паб	му-му	1	4.300000	195.0
	хинкальная	3	4.333333	40.0
булочная	буханка	25	4.416000	50.0
быстрое питание	му-му	2	4.200000	300.0
	теремок	2	4.450000	200.0
	хинкальная	6	4.366667	57.0
	чайхана	2	4.300000	NaN
кафе	шоколадница	1	4.100000	230.0
	чайхана	26	3.946154	50.0
	хинкальная	19	4.352632	65.0
	му-му	12	4.216667	150.0
	prime	1	4.200000	60.0
	буханка	1	4.300000	NaN
	cofefest	1	4.200000	NaN
	кулинарная лавка братьев караваевых	39	4.394872	70.0
кофейня	му-му	2	4.250000	120.0
	шоколадница	119	4.178151	96.0
	кофепорт	42	4.147619	85.0
	cofix	65	4.075385	87.5
	one price coffee	71	4.064789	99.5
	cofefest	31	3.977419	60.0
	буханка	6	4.333333	40.0
пиццерия	додо пицца	74	4.286486	52.0
	домино'с пицца	76	4.169737	40.0
	му-му	1	4.300000	300.0
ресторан	prime	49	4.114286	97.0
	му-му	8	4.262500	135.0
	теремок	36	4.105556	87.5
	хинкальная	15	4.273333	60.0
	чайхана	9	3.777778	58.0
	яндекс лавка	69	3.872464	46.0
столовая	му-му	1	4.000000	60.0
	хинкальная	1	4.200000	10.0

Основывая на данной таблице, видно, что одни и те же заведения часто попадают в разные категории. Возможно, произошла ошибка при сборе данных, однако, также возможно, что сети иногда позиционируют некоторые свои филиалы как разные категории заведений.

Например, заведений "шоколадница" имеет один филиал-кафе, где имеется большое количество посадочных мест, а также филиал-кофейня, где можно преобрести продукцию или кофе на вынос.

Рейтинг популярных сетевых заведений редко падает ниже 4.0.

Рейтинг первых 3 по пулярности заведений:

• шоколадница: около 4.2
• домино'c пицца: около 4.3
• додо пицца: около 4.2

Анализ административных районов

mp_districts = moscow_places.pivot_table(index='district',
                                         columns='category',
                                         values='name',
                                         aggfunc='count')

fig = px.bar(mp_districts,
             template='plotly_white',
             title='Распределение категорий заведений по административным районам',
             labels=dict(district="Административый район",
                         value="Количество заведений",
                         category="Категория"))

fig.update_layout(width=1000, 
                  height=700)

fig.update_xaxes(categoryorder = 'total descending')

fig.show() 

Больше всего заведений сконцентрировано в Центральном административном районе, в следствие того, что это самый популярный и проходимый район для туристов города и других отдыхающий. Самые многочисленные категории заведений - ресторан, кафе, кофейня и бар/паб.

Данные категории также наиболее большие и в других округах.

Количество заведений в Северном, Южном и Северо-восточном округах распределено равномерно.

Самый малочисленный по количеству заведений - Северо-Западный административный округ.

Анализ среднего рейтинга заведений по категориям

moscow_places['rating'].describe()

count    8402.000000
mean        4.230017
std         0.470320
min         1.000000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64

mp_rating = (moscow_places.pivot_table(index='category',
                                      values='rating',
                                      aggfunc='mean')
             .reset_index()
             .sort_values(by='rating', ascending=False))

mp_rating.columns = ['category', 'rating']
mpr_round = mp_rating
mpr_round['rating']=round(mpr_round['rating'], 2)

fig = px.bar(mpr_round,
             template='plotly_white',
             x='category', 
             y='rating', 
             text='rating',
             color='category',
             labels=dict(category="Категория")
            )

fig.update_layout(title='Средний рейтинг заведений по категориям',
                   xaxis_title='Категория',
                   yaxis_title='Рейтинг')
fig.show() 

Самые высокие рейтинги получают бар/паб (показетель близится к 4.4)

Средний рейтинг пиццерий, ресторанов, кафе и булочных держится в районе 4.25-4.3.

Низкие рейтинги у столовых и кафе.

Самый низкий рейтинг у заведений быстрого питание, что может быть связано с тем, что они работают на количество, а не на качество.

Хороплет с средним рейтингом заведений по округам

district_rating = (moscow_places.groupby('district')
                   .agg(mean_rating=('rating', 'mean'))
                   .sort_values(by='mean_rating', ascending=False)
                   .reset_index())

try:
    state_geo = 'https://code.s3.yandex.net/data-analyst/admin_level_geomap.geojson'
except:
    state_geo = '/datasets/admin_level_geomap.geojson'

moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=district_rating,
    columns=['district', 'mean_rating'],
    key_on='feature.name',
    fill_color='PuBu',
    fill_opacity=0.5,
    legend_name='Медианный рейтинг заведений по районам',
).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Исходя из фоновой картограммы можно следать вывод, что самые высокие рейтинги у заведений, находящихся в Центральном администативном округе (около 4.33-4.38).

Также, довольно высокие рейтинги у заведений в Северном административном округе (около 4.29).

Все заведения на карте

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)


moscow_places.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Топ-15 улиц по количеству заведений

Подсчет количества заведений по улицам

street_top_15 = moscow_places.groupby('street').agg({'name' : 'count'}).reset_index()
street_top_15.columns = ['street', 'count']
street_top_15 = street_top_15.sort_values('count', ascending = False).reset_index(drop=True).head(15)
street_top_15

	street	count
0	проспект мира	183
1	профсоюзная улица	122
2	проспект вернадского	108
3	ленинский проспект	107
4	ленинградский проспект	95
5	дмитровское шоссе	88
6	каширское шоссе	77
7	варшавское шоссе	76
8	ленинградское шоссе	70
9	мкад	65
10	люблинская улица	60
11	улица вавилова	55
12	кутузовский проспект	54
13	улица миклухо-маклая	49
14	пятницкая улица	48

Таблица топ-15 улиц по количеству заведений с разбивкой по категориям

mp_streets = moscow_places.groupby(['street', 'category'])['name'].count().reset_index()
mp_streets.columns = ['street', 'category', 'count']

mp_streets_15 = mp_streets[mp_streets['street'].isin(street_top_15['street'])]

mp_streets_15.head(15)

	street	category	count
698	варшавское шоссе	бар,паб	6
699	варшавское шоссе	быстрое питание	7
700	варшавское шоссе	кафе	18
701	варшавское шоссе	кофейня	14
702	варшавское шоссе	пиццерия	4
703	варшавское шоссе	ресторан	20
704	варшавское шоссе	столовая	7
882	дмитровское шоссе	бар,паб	6
883	дмитровское шоссе	булочная	2
884	дмитровское шоссе	быстрое питание	10
885	дмитровское шоссе	кафе	23
886	дмитровское шоссе	кофейня	11
887	дмитровское шоссе	пиццерия	8
888	дмитровское шоссе	ресторан	24
889	дмитровское шоссе	столовая	4

fig = px.bar(mp_streets_15.sort_values(by='count', ascending=True), 
             x='count',
             y='street', 
             template='plotly_white',
             color='category',
             labels=dict(category="Категория")
            )
fig.update_layout(title='Топ-15 улиц по количеству заведений',
                   xaxis_title='Количество заведений',
                   yaxis_title='Улица',  
                   yaxis={'categoryorder':'total ascending'},
                   width=1000, 
                   height=600
                 )
fig.show()

В топ-15 улиц по количеству заведений входят:

1. проспект Мира
2. Профсоюзная улица
3. проспект Вернадского
4. Ленинский проспект
5. Ленинградский проспект
6. Дмитровское шоссе
7. Каширское шоссе
8. Варшавское шоссе
9. Ленинградское шоссе
10. МКАД
11. Люблинская улица
12. улица Вавилова
13. Кутузовский проспект
14. улица Миклухо-Маклая
15. Пятницкая улица

Явным лидером является проспект Мира, на котором расположено 183 заведения.

На Профсоюзной улице, проспекте Вернадского и на Ленинском проспекте находятся более 100 заведений (122-108-107)

Самая малочисленная по количеству заведений в топе - улица Пятницкая, на которой можно найти 48 заведений.

Анализ улиц с одним объектом

one_place = moscow_places.pivot_table(index = 'street', values = 'name', aggfunc = 'count').query("name == 1").reset_index()
op_street = one_place['street']
mp_op_street = moscow_places.query("street in @op_street")
mp_op_street

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
15	дом обеда	столовая	москва, улица бусиновская горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	несетевые	180.0	улица бусиновская горка	False
21	7/12	кафе	москва, прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	несетевые	NaN	прибрежный проезд	False
25	в парке вкуснее	кофейня	москва, парк левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	сетевые	NaN	парк левобережный	False
58	coffeekaldi's	кофейня	москва, угличская улица, 13, стр. 8	Северо-Восточный административный округ	ежедневно, 09:00–22:00	55.900316	37.570558	4.1	средние	Средний счёт:500–800 ₽	650.0	NaN	сетевые	NaN	угличская улица	False
60	чебуречная история	кофейня	москва, ландшафтный заказник лианозовский	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.899845	37.570488	4.9	NaN	NaN	NaN	NaN	сетевые	NaN	ландшафтный заказник лианозовский	False
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8285	мираж	ресторан	москва, улица шкулёва, 2а	Юго-Восточный административный округ	пн-пт 11:00–23:00; сб,вс 11:00–00:00	55.693340	37.746231	4.7	NaN	NaN	NaN	NaN	несетевые	90.0	улица шкулёва	False
8290	wtfcoffee	кофейня	москва, улица артюхиной, 14/8с1	Юго-Восточный административный округ	ежедневно, 10:00–22:00	55.699044	37.737790	4.4	средние	NaN	NaN	NaN	несетевые	NaN	улица артюхиной	False
8313	беседка	кафе	москва, кузьминская улица, 10	Юго-Восточный административный округ	ежедневно, 11:00–23:00	55.690691	37.787735	4.1	NaN	NaN	NaN	NaN	сетевые	NaN	кузьминская улица	False
8375	лагман хаус	кафе	москва, новороссийская улица, 14, стр. 2	Юго-Восточный административный округ	ежедневно, 10:00–00:00	55.678772	37.759422	4.3	NaN	NaN	NaN	NaN	сетевые	40.0	новороссийская улица	False
8396	практика кофе	кофейня	москва, чонгарский бульвар, 26а, корп. 1	Юго-Западный административный округ	пн-пт 08:00–22:00; сб,вс 09:00–22:00	55.654289	37.600722	4.4	NaN	NaN	NaN	NaN	несетевые	55.0	чонгарский бульвар	False

457 rows × 16 columns

Соотношений заведений по категориям

mp_op_street_pie = pd.DataFrame(mp_op_street['category'].value_counts()).reset_index()
mp_op_street_pie.columns = ['category', 'categories_count']

fig = go.Figure(data=[go.Pie(labels=mp_op_street_pie['category'], 
                             values=mp_op_street_pie['categories_count'], 
                             pull = [0.1, 0])]) 
fig.update_layout(title='Соотношение заведений по категориям', 
                  width=800, 
                  height=600,
                  annotations=[dict(x=1.12, 
                                    y=1.05,
                                    text='Категории заведений',
                                    showarrow=False)])
fig.show() 

Чаще всего, а именно в 34.8% случаев, единственным заведением на улице является кафе.

Далее по частоте идут ресторан (20.4%) и кофейня (18.4%).

Менее, чем в 10 процентах единственным заведением на улице является бар/паб, столовая, быстрое питание.

Меньше 5% у пиццерий и булочных.

Соотношение сетевых и несетевых заведений

mp_one_chains = mp_op_street.pivot_table(index='chain', values='name', aggfunc='count').sort_values(by = 'name', ascending = False).reset_index()
mp_one_chains.columns = ['chain', 'count']
fig = go.Figure(data=[go.Pie(labels=mp_one_chains['chain'], values=mp_one_chains['count'], pull = [0.1, 0])])
fig.update_layout(title='Соотношение "сетевых" и "несетевых" заведений')
fig.show()

В около 80% случев единственное заведение, расположенное на улице, не является сетевым.

print('Процент улиц, на которых находится только один объект общепита, от общего числа улиц, представленных в датасете:', "{0:.2f}%".format(op_street.count() / moscow_places['street'].nunique() * 100, 2))

Процент улиц, на которых находится только один объект общепита, от общего числа улиц, представленных в датасете: 31.58%

Анализ средних чеков заведений

mid_avg_bill = moscow_places.groupby('district', as_index=False)['middle_avg_bill'].median()\
              .sort_values(by='middle_avg_bill', ascending=False)

print(mid_avg_bill)

moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=mid_avg_bill,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='PuBu',
    fill_opacity=0.5,
    legend_name='Медианный чек заведений по районам',
).add_to(m)

m

                                  district  middle_avg_bill
1          Западный административный округ           1000.0
5       Центральный административный округ           1000.0
4   Северо-Западный административный округ            700.0
2          Северный административный округ            650.0
7      Юго-Западный административный округ            600.0
0         Восточный административный округ            575.0
3  Северо-Восточный административный округ            500.0
8             Южный административный округ            500.0
6     Юго-Восточный административный округ            450.0

Make this Notebook Trusted to load map: File -> Trust Notebook

Самые высокие средние чеки в заведениях общественного питания Центрально и Западного административных округов (1000 руб.), самый низкий - в Юго-Восточном административном округе (450 руб.). В остальных округах средние чеки составляют от 500 до 700 руб.

Таким образом, удалённость от центра влияет на величину среднего чека не во всех округах Москвы, но в большей степени на западные и северо-западный район.

Соотношение между средним чеком и рейтингом по категориям заведений

Разделение рейтинга на подгруппы:

• высокий, который будем считать составлет значение больше 4.5
• средний: от 4.4 до 3.7
• низкий: ниже 3.6

def check_rating(row):
    if row ['rating'] <= 3.6:
        return 'низкий'
    elif 3.7 <= row['rating'] <= 4.4:
        return 'средний'
    else:
        return 'высокий'
    
moscow_places['check_rating'] = moscow_places.apply(check_rating, axis=1) 

moscow_places.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7	check_rating
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	несетевые	NaN	улица дыбенко	False	высокий
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	несетевые	4.0	улица дыбенко	False	высокий
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	несетевые	45.0	клязьминская улица	False	высокий
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	несетевые	NaN	улица маршала федоренко	False	высокий
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	сетевые	148.0	правобережная улица	False	высокий

Количество заведений по группам рейтинга

moscow_places.groupby('check_rating')['check_rating'].count().sort_values(ascending=False)

check_rating
средний    5773
высокий    2048
низкий      581
Name: check_rating, dtype: int64

Больше представленных в датасете заведений имеют средний рейтинг - 5773 заведения, что составляет больше половины от общего количества.

Средний чек по рейтингу

avg_bill_rating = moscow_places.groupby(['category', 'check_rating'])['middle_avg_bill'].mean().reset_index()
avg_bill_rating['middle_avg_bill'] = round(avg_bill_rating['middle_avg_bill'], 2)
avg_bill_rating

	category	check_rating	middle_avg_bill
0	бар,паб	высокий	1498.25
1	бар,паб	низкий	438.33
2	бар,паб	средний	1271.06
3	булочная	высокий	657.00
4	булочная	низкий	558.33
5	булочная	средний	665.67
6	быстрое питание	высокий	473.72
7	быстрое питание	низкий	339.14
8	быстрое питание	средний	457.89
9	кафе	высокий	918.46
10	кафе	низкий	716.12
11	кафе	средний	660.29
12	кофейня	высокий	616.07
13	кофейня	низкий	425.00
14	кофейня	средний	618.60
15	пиццерия	высокий	1050.43
16	пиццерия	низкий	793.33
17	пиццерия	средний	724.88
18	ресторан	высокий	1751.36
19	ресторан	низкий	955.56
20	ресторан	средний	1198.17
21	столовая	высокий	299.97
22	столовая	низкий	325.71
23	столовая	средний	345.39

fig = px.histogram(avg_bill_rating,
                   x="category",
                   y="middle_avg_bill",
                   color='check_rating',
                   barmode='group',
                   template='plotly_white',
                   title='Распеделение среднего чека по рейтингу и категории заведения',
                   labels=dict(category="Категория",
                               value="Средний чек",
                               check_rating="Рейтинг"))

fig.update_layout(width=1000, 
                  height=700)

fig.update_xaxes(categoryorder = 'total descending')
fig.show()

Исходя из графика видно что, высокий рейтинг заведения, в частности ресторанов, бар\пабов и пиццерий, пропорционален крупному среднему чеку.

Примечательно, что в некоторых случаях, заведения получают низкий рейтинг при достаточно высоком среднем чеке (н-р кафе или булочных).

Столовые не показывают сильной взаимосвязи.

Зависимость между средним рейтингом и чеком

fig = px.box(moscow_places, template='plotly_white', y="middle_avg_bill")
fig.show()

В данных о среднем чеке имеются аномально большие значение, которые необходимо исключить.

Крайний показатель следует оставить - 7250.

fig = px.scatter(moscow_places.query('middle_avg_bill <=7250'),
                 x="rating",
                 y="middle_avg_bill",
                 color="check_rating",
                 template='plotly_white',
                 title='Зависимость среднего чека от рейтинга заведения',
                 labels=dict(rating="Рейтинг",
                             middle_avg_bill="Средний чек",
                             check_rating="Рейтинг"))
fig.show()

По диаграмме рассеяния можно утверждать, что яркой взаимосвязи между средним чеком и рейнтигом не прослеживается. Заведения имеют высокий рейтинг даже при относитьльно всх данных низком среднем чеке (около 1000р.)

Вывод по общему анализу

В Москве самой многочисленной категорией заведений являются кафе(2376 - 28.3%), рестораны (2042 - 24.3%) и кофейни (1413 - 16.8%). Меньше всего в Москве булочных и столовых.

Количество посадочных мест варьируется от 40 до 1288, в среднем в самых распространенных категориях заведений количество посадочных мест составляет около 80.

К сети принадлежат около 38% заведений, среди которых чаще всего булочные (61.3% от общего числа булочных), пиццерии (52.1%) и кофейни (51%).

Самое популярное заведение Москвы - "Шоколадница", которая также принадлежит к сети заведений и имеет довольно высокие рейтинги.

Больше всего заведений в целом и заведений с высоким рейтингом и средним чеком сконцентрированы в Центральном административном округе города.

Проспект Мира - улица с наибольшим количеством заведений.

Средний чек чаще всего не имеет прямой зависимости от рейтинга заведения.

Детализированное исследование кофеен

Количество кофеен и их расположение

Создание датасета только с кофейнями

coffee_houses = moscow_places.query('category == "кофейня"')

Количество кофеен

print('Общее количество кофеен в датасете:', coffee_houses['name'].count())

Общее количество кофеен в датасете: 1413

Количество уникальных кофеен

print('Количество уникальных названий кофеен в даатсете:', coffee_houses['name'].nunique())

Количество уникальных названий кофеен в даатсете: 825

Распределение кофеен по административным округам

ch_district = coffee_houses.groupby('district')['name'].count().reset_index()
ch_district.sort_values(by='name', ascending=False).reset_index(drop=True)

fig = px.bar(ch_district.sort_values(by='name', ascending=False),
             template='plotly_white',
             x='district', 
             y='name', 
             text='name',
             color = 'district',
             )

fig.update_layout(title='Распределение кофеен по административным округам',
                   xaxis_title='Административный округ',
                   yaxis_title='Число заведений')

fig.update_layout(showlegend=False)

fig.show() 

Большинство кофеен, а именно 162 - 30.3%, расположены в Центральном административном округе, что также является следствием самой большой наполненностью данного района заведениями.

Меньше всего кофеен можно встретить в Юго-западном административном округе.

Расположение кофеен на фоновой картограмме

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)


coffee_houses.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Круголосуточные кофейни

Количество круглосуточных кофеен

print('Количество круглосуточных кофеен в датасете:', coffee_houses.query('is_24_7 == True')['name'].count())

Количество круглосуточных кофеен в датасете: 59

Создание отдельного датафрейма только с круглосуточными кофейнями

ch_247 = coffee_houses.query('is_24_7 == True')

Отображение крулосуточных кофеен на карте

ch_247_district = ch_247.groupby('district')['name'].count().reset_index()
ch_247_district.sort_values(by='name', ascending=False).reset_index(drop=True)


fig = px.bar(ch_247_district.sort_values(by='name', ascending=False),
             template='plotly_white',
             x='district', 
             y='name', 
             text='name',
             color = 'district',
            )

fig.update_layout(title='Распределение кргулосуточных кофеен по округам',
                   xaxis_title='Административный округ',
                   yaxis_title='Число заведений')

fig.update_layout(showlegend=False)

fig.show() 

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

marker_cluster = MarkerCluster().add_to(m)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

ch_247.apply(create_clusters, axis=1)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Большинство круглосуточных кофеен, как и остальных заведений, расположено в Центральном административном округе и составляет 44.1%.

Минимальное количество - 1 круглосуточная кофейня - расположено в Южном и Юго-восточном административном округах.

Количество уникальных названий круглосуточных кофеен

nun_coffee_houses = coffee_houses.query('is_24_7 == True')['name'].nunique()
print('Количество уникальных названий круглосуточных кофеен:', nun_coffee_houses)

Количество уникальных названий круглосуточных кофеен: 22

Процент уникальных названий кофеен от общего числа круглосуточных кофеен

print('Процент уникальных названий кофеен от общего числа круглосуточных кофеен:', "{0:.2f}%".format(nun_coffee_houses / coffee_houses['name'].nunique() * 100))

Процент уникальных названий кофеен от общего числа круглосуточных кофеен: 2.67%

Рейтинг кофеен

Средний рейтинг кофеен

print('Средний рейтинг кофеен:', round(coffee_houses['rating'].mean(), 2))

Средний рейтинг кофеен: 4.28

Распределение рейтинга по районам

ch_rating = (coffee_houses.groupby('district')
             .agg(mean_rating=('rating', 'mean'))
             .sort_values(by='mean_rating', ascending=False)
             .reset_index())

moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=ch_rating,
    columns=['district', 'mean_rating'],
    key_on='feature.name',
    fill_color='PuBu',
    fill_opacity=0.5,
    legend_name='Медианный рейтинг кофеен по районам',
).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

Кофейни с высоким средним рейтингом более 4.3 сконцентрированы Центральном и Северо-западном административном округах.

Средний рейтинг 4.2 у кофеен Западного административного окурга является самым низким.

Стоимость чашки кофе

coffee_houses['middle_coffee_cup'].describe()

count     521.000000
mean      175.055662
std        89.753009
min        60.000000
25%       124.000000
50%       170.000000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

Распределение средней стоимости чашки кофе

fig = px.violin(coffee_houses,
                y="middle_coffee_cup",
                box=True,
                points='all',
                template='plotly_white'
               )
fig.show()

Медианная стоимость чашки кофе - 170р.

Стоит убрать аномально высокое значение.

coffee_houses = coffee_houses.query('middle_coffee_cup <= 400')
print('Медианное значение средней стоимости чашки кофе:', round(coffee_houses['middle_coffee_cup'].median(), 2))
print('Среднее значение средней стоимости чашки кофе:', round(coffee_houses['middle_coffee_cup'].mean(), 2))

Медианное значение средней стоимости чашки кофе: 169.5
Среднее значение средней стоимости чашки кофе: 172.38

fig = px.violin(coffee_houses,
                y="middle_coffee_cup",
                x="district",
                color="category",
                box=True,
               labels={"category": "Категория"})

fig.update_layout(title='Распределение медианного значения стоимости кофе по округам',
                   xaxis_title='Округ',
                   yaxis_title='Средняя стоимость чашки кофе')
fig.show()

Самое высокое медианное значение стоимости чашки кофе в Юго-западном административном округе - 198р.

Самое низкое - в Восточном административном округе - 135р.

ch_mean_cup = coffee_houses.pivot_table(index='district', values='middle_coffee_cup', aggfunc='mean').sort_values(by = 'middle_coffee_cup', ascending = False).reset_index()
ch_mean_cup.columns = ['district', 'mean_coffee_cup']
ch_mc_round = ch_mean_cup
ch_mc_round['mean_coffee_cup'] = round(ch_mc_round['mean_coffee_cup'])

fig = px.bar(ch_mean_cup,
             template='plotly_white',
             x='district', 
             y='mean_coffee_cup', 
             text='mean_coffee_cup',
             color='district'
            )

fig.update_layout(title='Среднее значение чашки кофе по округам ',
                   xaxis_title='Округ',
                   yaxis_title='Стоимость чашки кофе')

fig.update_layout(showlegend=False)

fig.show() 

moscow_lat, moscow_lng = 55.751244, 37.618423

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=ch_mean_cup,
    columns=['district', 'mean_coffee_cup'],
    key_on='feature.name',
    fill_color='PuBu',
    fill_opacity=0.5,
    legend_name='Средняя стоимость чашки кофе по районам',
).add_to(m)

m

Make this Notebook Trusted to load map: File -> Trust Notebook

После изучения среднего значения стоимость чашки по сравнению с медианным видно, что цена в Западном и Центральном административном округах распределена нормально, но достаточно высока.

В Восточном административном округе наблюдалось самое высокое медианное значение, но среднее - самое низкое, что может означать нестабильное и неравномерное распределение цен по району.

Вывод по кофейням

В Москве расположены 1413 кофеен по всему городу. Большинство из них находятся в Центральном административном округе.

Круглосуточных кофеен в Москве насчитывается 59 заведений.

Средний рейтинг кофеен достаточно высокий - 4.28. Наиболее высокий рейтинг у кафе в Центральном и Северо-Западном административных округах. Средние рейтинги в Юго-западном, Северном и Восточном административным округах.

Средняя стоимость чашки кофе - 172р. В Западном, Центральном и Юго-западном административных округах самые высокие показатели цен.

Рекомендации для открытия нового заведения

Краткие рекомандационные характеристики для открытия новой кофейни:

• расположение в Северо-Западном или Юго-Западном административном округах
• круглосуточная работа
• стоимость 1 чашки кофе - 170р.
• приближенность к проходным местам: станции метро, торговые центры, университеты/колледжи.

Особенности рекомендаций для районов:

1. Северо-западный административный округ:

• В данном районе комфортная среда для открытия нового заведения, т.к. показатели цен и рейтинга держатся на средних позициях. Новое заведение может привлечь клиентов интересными предложениями или необычной концепцией на фоне усредненных конкурентов.
• Конкуренция присутствует, но количество кофеен мало.
• Круглосуточная кофейня станет преимуществом, т.к. таких кофеен в этом районе всего 2 на данный момент.
• Т.к. средняя стоимость чашки кофе в данном районе чуть ниже средней стоимости, начать дело можно со сниженной цены до 160р., а набрав клиентскую базу, выйти нап предложенную цену без существенных потерь. Поставив более высокую цену, лояльные клиенты других заведений могут не обратить внимание на новинку на рынке.

1. Юго-Западный административный округ:

• Открывая кофейню в данном райне можно расчитывать на невысокую конкуренцию.
• Круглосуточных заведений в данном райне всего 7.
• Предложенная выше стоимость чашки кофе ниже чем среднее и медианное значение в данном районе. Разница в стоимости может статть приоритетом для клиентов при выборе заведения.
• Кроме того, рейтинг заведений в данном районе ниже среднего. Открыв привлекательное заведение, в котором гармонируют цена и качество, можно выделиться на фоне общей массы заведений и приобрести лояльных клиентов

Общий вывод

В ходе проведения исследования рынка заведений общественного питания в Москве было выполнено:

1. Загрузка и чтение данных:

• испортированы необходимые библиотеки
• загуржен и прочтен датафрейм
• определено, что данне нуждаются в предобработке

1. Предобработка данных:

• выявлены и обработаны дубликаты
• заменены возможные пропуски
• добавлен столбец с названиями улиц, на которых находятся заведения
• добавлен столбец с обозначением, что заведение работает ежедневно и круглосуточно

1. Проведен общий анализ данных:

• В датасете представлены следующие категории заведений: кафе,ресторан, кофейня, пиццерия, бар,паб, быстрое питание, булочная, столовая. Самая многочисленная категория заведений - кафе, составляет 28.3% от общего количества заведений (2376 заведений). На втором месте по количеству - ресторан 24.3% (2042 заведения). На третьем месте - кофейня 16.8% (1413 заведений). Далее идут бар/паб, пиццерия, быстрое питание, столовая. И на последнем месте по количеству заведений - булочная 256 заведений - 3.05%
• Медианное значение посадочных мест (ПМ) после удаления аномальных значений распределились следующим образом на топ 3:ресторан (83 ПМ), бар/паб (80 ПМ), кофейня и столовая (75 ПМ).Наименьшее количество - в булочной (около 49 ПМ). В категориях ресторан, кафе, бар/паб и столовая в среднем большее количество посадочных мест.
• Несетевых заведений в датасете больше, чем сетевых (61.9% к 38.1%).
• Чаще всего к сетевых заведениям принадлежат булочные, из них только 38.7% являются несетвыми.
• Найден топ-15 популярных заведений Москвы, на первом месте которого - "Шоколадница". Рейтинг популярных сетевых заведений редко падает ниже 4.0.
• Больше всего заведений сконцентрировано в Центральном административном районе, самый малочисленный по количеству заведений - Северо-Западный административный округ.
• Самые высокие рейтинги получают бар/паб (показетель близится к 4.4)
• Самые высокие рейтинги у заведений, находящихся в Центральном администативном округе (около 4.33-4.38)
• Отображены все заведения на карте
• Найден топ-15 улиц Москвы по количеству заведен, на первом месте которого - проспект Мира.
• Чаще всего, а именно в 34.8% случаев, единственным заведением на улице является кафе.
• Самые высокие средние чеки в заведениях общественного питания Центрально и Западного административных округов (1000 руб.), самый низкий - в Юго-Восточном административном округе (450 руб.).
• Яркой взаимосвязи между средним чеком и рейнтигом не прослеживается.

1. Проведено детализированное исследование кофеен:

• Общее количество кофеен в датасете: 1413. Большинство кофеен, а именно 30.3%, расположены в Центральном административном округе.
• Количество круглосуточных кофеен в датасете: 59. Большинство круглосуточных кофеен, как и остальных заведений, расположено в Центральном административном округе и составляет 44.1%.
• Средний рейтинг кофеен: 4.28. Кофейни с высоким средним рейтингом более 4.3 сконцентрированы Центральном и Северо-западном административном округах.
• Средней стоимости чашки кофе: 172р.

1. Даны рекомендации для открытия нового заведения
2. Составлен общий вывод
3. Подготовлена презентация с финальными заключениями

Презентация

Презентация: https://disk.yandex.ru/i/Rd_aHLlHD1lkJQ